Fatores Demográficos e Geração de Resíduos Sólidos Domiciliares no Município de Belo Horizonte

1

Fatores Demográficos e Geração de Resíduos Sólidos Domiciliares no

Município de Belo Horizonte.

Harley Silva1 Alisson F. Barbieri2 Roberto L. Monte-Mór3 Resumo

Este trabalho explora relações entre variáveis socioeconômicas e demográficas e a produção de resíduos sólidos domiciliares - o lixo doméstico, usando dados de Belo Horizonte, capital do estado de Minas Gerais. A proposta foi investigar se diferenciais socioeconômicos (especificamente renda e educação) e demográficos (especificamente estrutura etária e domiciliar), são importantes na definição do volume de resíduos gerados em sub-regiões do município. O consumo, nesse sentido, é visto como o elo entre as dimensões “população” e “geração de resíduos”. O estudo se destaca no cenário dos estudos de população no Brasil pelo uso inédito de informações produzidas sobre resíduos sólidos urbanos e da interação de sua produção com aspectos socioeconômicos e demográficos. Os resultados indicam que a concentração de domicílios unipessoais, população e chefes com 60 anos e mais, e idade média elevada, algo como um “perfil demográfico urbano-contemporâneo”, surge recorrentemente como aspecto demográfico central na diferenciação de áreas de maior geração per capita. Estes fatores são associados constantemente à renda e escolaridade elevadas.

Palavras chave: população, meio-ambiente, consumo, resíduos sólidos urbanos

1. Introdução

O objetivo deste trabalho é analisar as relações entre variáveis populacionais e a produção de resíduos sólidos domiciliares - o lixo doméstico - no município de Belo Horizonte, capital do estado de Minas Gerais. A proposta é investigar se diferenciais socioeconômicos (especificamente renda e educação) e demográficos (especificamente estrutura etária e domiciliar), são importantes na definição da quantidade e composição dos resíduos gerados em sub-regiões do um município. Sendo o consumo visto como o elo entre ambas as dimensões, “população” e “geração de resíduos”,

A gestão de resíduos sólidos urbanos (RSU’s) é uma das muitas questões ambientais prementes do mundo contemporâneo. Uma das faces deste problema são os resíduos sólidos domiciliares. Sua especificidade é a maneira corriqueira e constante com que cada indivíduo, família e domicílio contribuem a cada instante para a produção de resíduos, rejeitos, lixo doméstico, que de embaraço no espaço domiciliar se transmuta por vezes em transtorno público, crise e até calamidade urbano-ambiental.

As conexões entre população e produção de resíduos não tem certamente sido negadas. Os estudos populacionais, no entanto, não tem lhe dado devida atenção. A população aparece nos estudos a respeito dos determinantes da produção de RSU’s, sem outra influência que não de seu tamanho e taxa de crescimento, em geral numa relação que deve ser linear, embora nem mesmo isso seja alvo de discussão mais detalhada. Ora, atravessamos um

1

Sec. de Estado de Desenvolvimento Regional e Política Urbana de Minas Gerais. Mestre em Demografia - Cedeplar-UFMG

2

Professor e pesquisador do Cedeplar-UFMG.

3

2 momento de mudança demográfica nas sociedades contemporâneas em geral e brasileira, em particular. Buscar a influência da população em processos sociais em sentido amplo requer dar atenção às mudanças em curso, tanto quanto ao seu tamanho e ao ritmo de crescimento.

A hipótese de trabalho é que diferenciais demográficos, especificamente na estrutura etária, tamanho e arranjo e ciclo de vida domiciliar, aliadas aos diferenciais de renda e escolaridade, se expressam em um padrão diferenciado de geração de resíduos per capita e também de composição do resíduo gerado, especialmente por via de uma relação entre as curvas de consumo e idade.

2. População, consumo e geração de resíduos sólidos urbanos

diferenciais) demográficas, consumo e geração de resíduos. Populações que atravessam

mudanças demográficas tendem a viver alterações de quantidade e qualidade dos bens demandados e consumidos (Sawyer 2002). Alterado a quantidade e qualidade dos bens consumidos altera-se também o padrão de geração de resíduos pela população em geral e por cada domicílio em particular.

A relação entre população e ambiente tem sido objeto de reflexão pelo menos desde o trabalho de Thomas R. Malthus na passagem do séc. XVIII ao XIX. Entretanto, o “problema populacional” foi e continua a ser citado freqüentemente, dentro e fora da academia, como se restringindo ao tamanho e a taxa de crescimento da população. Esse vem a ser, entretanto, pelo menos um equivoco relativo, em função do caráter dinâmico da população. Diversas características de uma sociedade são afetadas pela dinâmica demográfica, isto é, em função das maneiras pelas uma população se altera não apenas em tamanho absoluto, mas em outros aspectos da dinâmica demográfica, como estrutura etária, distribuição espacial e estrutura domiciliar.

O nível de pressão provocado por uma sociedade sobre o ambiente depende do padrão de

consumo por ela praticado e, portanto de sua capacidade de trabalho, produção, de renda e riqueza. As mudanças populacionais chamadas transições demográficas, correm

simultâneas à transformações socioeconômicas de urbanização-industrialização (Notestein 1953, Lesthaghe 1995), durante as quais a adoção de um consumo urbano-industrial implica inevitavelmente a geração de resíduos. Estes se associam a diversos problemas urbano-ambientais: desde o contágio por doenças infecto-contagiosas (Catapreta e Heller 1999), à contaminação de solos e águas (IBAM 2001) e à pressão desnecessária sobre os recursos (Calderoni 2003).

A idéia de que a estrutura etária das populações exerce efeitos importantes sobre o comportamento de variáveis econômicas e sociais não constitui novidade (Preston 1982). O que não é comum é que os estudos em população e meio-ambiente façam uso da evidência de que a estrutura etária da população tem efeitos sobre as questões ambientais via diferenciais de consumo por idade. O padrão de consumo dos indivíduos e das famílias é influenciado por sua estrutura etária. Ao longo de seu ciclo de vida os indivíduos têm diferentes necessidades e preferências, variando, portanto seu consumo. Isso seria verdadeiro também em termos agregados: populações mais intensamente jovens, adultas ou idosas tendem a ter distintos perfis de consumo.

O consumo é, entre outros fatores, uma função da renda pessoal ou domiciliar, as quais variam com a estrutura etária do domicílio (Barros et alli 2004). Temos então uma curva

idade-consumo, que relaciona variáveis demográficas ao padrão de consumo de uma

população. Por sua vez o consumo, tanto quanto a produção, afeta o ambiente. Interagindo com fatores demográficos, influenciando-o direta ou indiretamente: o envelhecimento ou

3 rejuvenescimento da população, os modelos de formação de domicilio, a situação de chefia por idade, gênero, entre outros (Pebley 1998).

O padrão de formação de famílias e domicílios tem efeitos sobre o consumo e por conseqüência sobre o meio-ambiente. Há “custos ambientais fixos” na manutenção de uma residência. Estes custos, em um contexto de diminuição do tamanho médio das famílias, passam a ter maior efeito relativo sobre o ambiente e recursos naturais pela a perda de eficiência por economias de escala domésticas. Além disso, as despesas com necessidades domésticas básicas têm um perfil de idade onde há consumo mais baixo em idades extremas e alto consumo nas idades médias. O aumento do número de domicílios e a redução de seu tamanho são paralelos à multiplicação de famílias sem filhos, unipessoais e outras espécies de arranjos domiciliares onde predominam pessoas adultas; como se vê, os dois efeitos concorrem para a diminuição da eficiência e o aumento da pressão sobre os recursos naturais e o ambiente (Sawyer 2002; Martine 2007).

4. Aspectos metodológicos

As fontes de dados principais do trabalho são o Censo Demográfico 2000 e dois relatórios produzidos pela Superintendência de Limpeza Urbana (SLU) da Prefeitura Municipal de Belo Horizonte (PBH). O primeiro (BELO HORIZONTE 2003), é um relatório geração anual de RSU’s e o segundo (BELO HORIZONTE 2004) um relatório de caracterização destes resíduos. Subsidiariamente, utilizamos dados da Secretaria Municipal de Fazenda de Belo Horizonte (SMF-PBH), sobre a composição comercial / residencial de cada área do município.

A SLU, autarquia responsável pela gestão de RSU’s em Belo Horizonte, foi criada na década de 1970. Desde então vem produzindo dados sobre a produção, composição, distribuição espacial e gestão dos resíduos. A coleta de resíduos é realizada por caminhões em cada uma das nove Regionais administrativas da cidade. Cada Regional foi dividida em certo número de distritos de coleta, que constituem a rota percorrida por um caminhão da frota da SLU. Esta rota é determinada de acordo com a trajetória que um caminhão pode percorrer sem ter de vencer grandes obstáculos do traçado urbano. Após completar sua capacidade de carga cada caminhão segue para a estação de transbordo ou o aterro onde seu conteúdo é pesado e depositado. Os dados da coleta, registrados diariamente são agregados em relatórios anuais. Desde o ano 2002 estas informações vêm sendo organizadas em uma malha digital em Sistemas de Informação Geográfica (SIG), permitindo o registro digital da distribuição espacial dos resíduos da cidade.

A base de dados da SLU possui uma limitação importante no que tange a definição estrita do que são os resíduos sólidos domiciliares1. Isso porque a coleta por caminhões cobre tanto residências como estabelecimentos comerciais definidos com “de pequeno porte”. Como maneira de lidar com este obstáculo incluímos em nossos dados o registro de imóveis segundo condição de uso residencial, não residencial ou desocupação, organizado pela SMF-PBH. Este artifício não anula o problema, mas permite lidar mais esclarecidamente este fator de confusão dos dados.

Os censos demográficos brasileiros são uma importantíssima e regular fonte de dados demográficos, pelo menos desde 1960. Desde o Censo 1991 os questionários incorporam um quesito sobre a destinação dos resíduos do domicílio (Hakkert 1996). Os microdados das variáveis da amostra podem ser associados aos indivíduos e domicílios. No entanto o maior nível de desagregação a que estes dados da amostra atingem são as áreas de

ponderação (AP’s). Estas são definidas como “unidade geográfica, formada por um

agrupamento mutuamente exclusivo de setores censitários, para a aplicação dos procedimentos de calibração das estimativas com as informações conhecidas para a

4 população como um todo” (IBGE 2000, p. 12). As AP’s são então a menor unidade territorial a que se aplicam, com a significância estatística, os dados do questionário da amostra.

O “problema da coexistência espacial” e a compatibilização dos dados de geração de resíduos

O IBGE disponibiliza a malha digital das AP’s do Censo Demográfico. Com o emprego de algum software SIG, podemos fazer a conjugação das malhas dos distritos de coleta e das AP´s e definir o pertencimento perfeito ou aproximado de cada conjunto de distritos a uma ou mais AP’s. Torres (2005) denomina esta situação de “o problema da coexistência espacial”, isto é, o analista precisa observar dois fenômenos diferentes “acontecendo, ao mesmo tempo, no mesmo lugar” (p. 318). Em nosso caso trata-se de lidar com a coexistência espacial das variáveis sócio-demográficas e de geração de resíduos, a

coexistência espacial de áreas de ponderação do Censo Demográfico 2000 e distritos de

coleta da SLU. As situações possíveis para a superposição são várias, mas recorreremos à exposição de apenas duas como ilustração.

Imaginemos que o ambiente digital do software permite lidar com duas camadas de mapas: uma onde se tem os limites das áreas de ponderação e outra dos distritos de coleta. Em nosso esquema ilustrativo os polígonos são respectivamente Ai e di (

FIGURA 1). Na primeira situação a qual chamaremos simples, temos um único distrito (di) que coexiste simultaneamente com duas AP’s. Para a compatibilização das malhas assumimos a existência de não mais um, mas dois distritos agora denominados d1 e d2 os quais se associam a cada uma das AP’s, A1 e A2. Na situação seguinte – que chamaremos

complexa, mas que não é certamente a mais complexa que podemos encontrar – temos de

novo um único distrito que se coexiste espacialmente com três AP’s. Após a compatibilização o distrito original (d) será tomado como três diferentes distritos d1, d2, e d3, associados a cada uma das três AP’s.

FIGURA 1: Esquema ilustrativo do “problema da coexistência espacial” Fonte: Adaptado de Torres (2005)

A compatibilização das áreas deve considerar dois aspectos importantes. Primeiro, deve-se escolher a camada que prevalece quanto à abrangência territorial. Em nosso caso o

conjunto de polígonos que será reestruturado é dos distritos de coleta, que se adaptam à

nova configuração ditada pela estrutura territorial das AP’s. Segundo: há problema da

5 de geração de resíduos sólidos entre as AP’s, logo não lidamos com diferenciais internos a cada uma área, nem em termos da geração de resíduos nem da heterogeneidade demográfica de cada AP.

No entanto, como os distritos foram agregados para se ajustar aos limites das AP's, houve necessidade de fazermos duas suposições. O registro da produção de resíduos é feito com referência a cada distrito de coleta. Nada se diz quanto à possível heterogeneidade interna a cada um deles. Logo, na ausência de melhor informação, precisamos assumir que:

i. a quantidade produzida é homogeneamente distribuída dentro da área de cada distrito; ii. a quantidade produzida é diretamente proporcional a área do distrito, isso é, em cada

percentual x de área se produz igual percentual da produção total de resíduos do distrito. Estes pré-supostos são indispensáveis para solucionar o problema da compatibilização. Cada área de ponderação encerrará a geração de resíduos que corresponde à soma da geração dos distritos que com ela coexistem espacialmente. Além disso, a produção daqueles distritos que forem divididos entre distintas AP’s será distribuída entre estas na proporção igual ao percentual de área que participar de cada AP. Torres (2005) propõe procedimento análogo para estimar a população de uma área de interesse sobre a qual não tem informação desagregada, mas que coexiste espacialmente com outra para a qual o censo demográfico fornece este dado.

Como em outras formas de compatibilização entre bases de dados produzidas independentemente, há alguma arbitrariedade neste procedimento. Este fato, no entanto, não torna necessariamente equivocados os resultados obtidos. Em face da ausência de dados mais adequados, o desafio é extrair dos subsídios disponíveis a maior gama possível de informações úteis.

Variáveis e área de estudos

Em virtude da disponibilidade de dados populacionais do Censo Demográfico apenas para 20002, utilizamos na aplicação dos métodos estatísticos apenas dos dados de geração de resíduos do ano de 2002.3 Segundo a própria natureza de nossas fontes, dividimos as variáveis nos grupos i) sócio-demográfico, ii) relativas ao espaço urbano, e iii) volume anual de resíduos gerado. O primeiro grupo, mais extenso e diversificado, pode ser subdividido em dois: socioeconômico e demográfico. Chamamos de grupo socioeconômico as variáveis relativas à renda e ao nível de escolaridade formal da população. Finalmente, o grupo de variáveis mais estritamente demográficas, é formado pelas variáveis relativas ao tamanho e taxa de crescimento da população, as características de arranjo e domiciliar e a estrutura etária da população da área. Chamamos de variáveis relativas ao espaço urbano o grupo que define o percentual por área de ponderação de endereços residenciais, não-residenciais e “territoriais” - isto é, endereços fora de uso, residenciais ou não.

O Censo Demográfico de 2000 divide Belo Horizonte em 58 áreas de ponderação. Essas tinham, em 2000, uma média uma população de aproximadamente 38.595 pessoas, sendo que a de menos populosa, Planalto, contava com 15.798 e a mais populosa, Cristiano Machado, com 73.343 habitantes. A geração per capita média de resíduos sólidos domiciliares foi em 2002 de aproximadamente 0,23 tonelada/ano (

6 TABELA 1). No extremo inferior da distribuição estão aglomerados subnormais (Cafezal e M. das Pedras) e áreas periféricas de baixa renda como Ribeiro de Abreu e Sarandi, enquanto no extremo oposto estão áreas eminentemente comerciais como Barro Preto e Savassi, mas também residenciais de renda média e alta como Pampulha e Estoril/Buritis.

As técnicas estatísticas

Nosso objetivo é identificar diferenciais intra-urbanos na produção de resíduos sólidos em Belo Horizonte a partir diferenças sócio-demográficas e de infra-estrutura urbana no interior do próprio município. Pretendemos então perceber se existem perfis distintos de regiões no interior do tecido urbano, isso é, conjuntos dispares de áreas de ponderação em termos da geração per capita resíduos sólidos domiciliares coletados pela SLU. Se assim o for haverão conjuntos de AP's que se assemelharão entre si, e se diferenciarão de outros grupos possíveis.

7

TABELA 1: Variáveis em uso e estatísticas básicas

Grupo Codigo Variável Média D. Padrão Min. Max.

Geração de resíduos rspc02 Resíduo per capita 0,23 0,12 0,04 0,73

pop Pop. Residente 38595,28 16593,55 15798 73343

ndomic Num de domicílios 10872,86 4669,29 4280 21738,5

denspop Densidade populacional 1563,8 828,84 133,2 4369,47

txcres Taxa crescimento (1991-2000) 1,68 3 -2,06 20,31

chjovem Chefes menos 30 anos (%) 13,28 4,16 5,65 22,87

chadulto Chefes 30-59 anos (%) 67,04 4,22 50,65 79,2

chidoso Chefes maiores 60 anos (%) 19,68 6,46 6,24 34,83

unipes Domicílio unipessoal 3,41 2,09 1,67 14,18

sfilho Domicílios casais sem filhos 14,64 6,49 7,93 46,22

umfilho Domicílios casal 1 filho 20,67 2,23 15,54 26,79

dfilhos Domicílios casais 2 filhos 29,88 2,95 18,23 36,09

tfilhos Domicílios casais 3 filhos 20,47 2,94 10,01 25,5

qfilemais Domicílios casais 4 filhos e mais 14,34 6,1 2,99 29,81

desvtd Desvio padrão do tamanho do domicílio 1,9 0,23 1,39 2,45

idmedar Média de idade da área 30,09 3,64 24,3 40

pop0_14 População 0 a 14 24,64 5,48 10,5 35,41

pop15_59 População 15 a 59 66,41 2,62 59,27 72,58

pop60m População 60 e mais 8,95 3,85 3,84 21,62

rdpc Média de renda domiciliar per capita 585,43 511,77 134,52 2239,03

q1rdpc População (%) no 1 quartil RDPC 24,39 14,84 0,75 57,59

q4rdpc População (%) no 4 quartil RDPC 26,72 24,95 0,74 86,51

anest Média de anos de estudo 6,82 1,94 3,66 11,1

q1anest População (%) no 1 quartil - anos de estudo 27,78 9,14 9,42 50,84

q4anest População (%) no 4 quartil - anos de estudo 13,86 14,33 0,87 49,83

resid Imóveis residenciais (%) 72,87 11,78 34,26 87,8

nresid Imóveis não-residenciais (%) 14,03 9,25 3,21 65,54

territ Imóveis sem ocupacao atual (%) 13,1 11,65 0,2 51,65

Tipo de arranjo domiciliar (%) Estrutura etária Renda e escolaridade Composição residencial-comercial Tamanho e taxa de crescimento Idade do chefe

Fonte (dados brutos): Censo Demográfico 2000, SLU 2003, SMF-PBH 2007

Entretanto, não está no escopo do trabalho tomar as relações entre essas variáveis dentro da lógica de variáveis independentes que determinam o comportamento de uma variável dependente, no caso a geração per capita de resíduos sólidos domiciliares4. Ao invés disso, partindo da noção que a maioria de nossas variáveis se comporta de modo fortemente associado, nossa opção foi aplicar ao diferentes perfis de Áreas de Ponderação as chamadas técnicas de análise multivariada, particularmente a Analise de Componentes Principais (ACP) e a Análise de Conglomerados ou Clusters. Estas técnicas têm sido aplicadas com freqüência em estudos de cunho regional e urbano, e apresentado resultados interessantes e coerentes (Queiroz 2003). Como um passo prévio para a aplicação destas técnicas, faremos a análise da matriz de correlação entre nossas variáveis.

A análise de componentes principais

As técnicas de análise multivariada têm como característica comum, a busca de “parâmetros-resumo” que sintetizem a relação entre determinado conjunto de variáveis. Dentro desta perspectiva a técnica dos componentes principais imprime tratamento estatístico a um número relativamente alto de variáveis que possuam elevada correlação, é condensando o conjunto inicial variáveis em um número reduzido. Aquele conjunto inicial fica representado em um pequeno número de índices – os componentes principais, os quais sintetizam o comportamento assumido pelo conjunto e podem também ser utilizados para “representar um conjunto de variáveis em outras técnicas multivariadas, como a análise de clusters, além de permitir uma hierarquia de indivíduos ou unidades de observação” (Queiroz, 2003).

Em termos matemáticos, o método ACP – e outros métodos de estatística multivariada - se baseia no chamado teorema da decomposição espectral o qual decompõe a matriz de covariância original em matrizes de autovalores e autovetores (Mingoti 2005). Os

8 componentes são novas variáveis definidas como combinações lineares das originais. os autovetores representam o peso de cada variável no cálculo do componente.

Assim estes componentes têm a virtude ser como parâmetros resumo do comportamento do conjunto inicial das variáveis. Assim, é possível escolher um pequeno número de componentes – em geral os iniciais que expressam maior percentual da variância do conjunto – e analisar apenas estes, entendendo o maior ou menor peso de cada variável sobre ele. Pode-se então analisar cada um dos componentes escolhido como uma dimensão especifica do problema em questão.5

A Análise de Clusters

Identificadas as dimensões principais que distinguem entre os indivíduos, é importante tornar claro quais deles tem maior grau de semelhança. Um recurso eficiente para isso é aplicação conjunta da técnica de componentes principais e de uma técnica de classificação, por exemplo, a técnica de clusters. As técnicas de classificação são indicadas quando os elementos da tabela inicial de dados são classificáveis implicando a, se os indivíduos estão dispostos no espaço, existência de zonas de alta densidade de indivíduos e entre elas haverá uma baixa densidade de indivíduos (Mingoti 2005). Essa semelhança pode ser avaliada por meio de índices de (dis)similaridade denominados de distâncias. A mais usual das maneiras de cálculo para essa distância é a chamada “distância euclidiana”.

As análises de cluster admitem abordagens hierárquicas e abordagens de partição. As primeiras consideram que de início cada individuo se encontra isolado, como que formando um “cluster individual”. O processo segue aproximando estes indivíduos de acordo com suas similaridades até que se atinja uma estabilidade relativa, que variará em função dos objetivos do trabalho. As técnicas de partição operam em sentido contrário, “desaglomerando” um cluster único inicial. Nossa opção será empregar a abordagem hierárquica. Os agrupamentos serão então representados graficamente por dendogramas que ilustram graficamente, tanto as possíveis aglomerações como a sua consistência relativa que varia em função da “proximidade” entre os indivíduos em termos da distância euclidiana.

5. Resultados

I. Análise de componentes principais:

Vejamos, em primeiro lugar, como se distinguem os componentes calculados e qual o percentual de variância do sistema explicado por cada um destes. O método permite calcular tantos componentes quantas forem as variáveis com as quais se trabalha. No entanto, um dos aspectos atraentes do método é sua capacidade de condensar a variabilidade do sistema em poucos, ou mesmo em um ou dois componentes. A proporção de variância explicada declina à medida que passamos do primeiro componente aos subseqüentes, ainda que somente a soma de todos os componentes corresponda a toda variância do sistema.

Uma regra de bolso usual ensina que o ponto de corte, no qual se deixa de incluir novos componentes na análise, é a partir do ponto em que o diferencial de explicação pela inclusão passa a ser muito discreto (Mingoti 2005). Em nossa análise, nos limitaremos aos dois primeiros componentes, os quais respondem por 65% da variância total (TABELA 2).

9

TABELA 2: Autovalores e proporção de variância explicada por componente principal

Componente Autovalor Percentual de variância explicada Total acumulado (Var explicada) Comp1 10,24 50,88 50,88 Comp2 1,62 15,56 66,45 Comp3 1,08 9,99 76,44 Comp4 0,54 6,27 82,70 Comp5 0,21 4,39 87,09 Comp6 0,35 3,66 90,75 Comp7 0,20 2,44 93,19 Comp8 0,16 1,75 94,94 Comp9 0,03 1,20 96,13 Comp10 0,07 1,08 97,21

Fonte (dados brutos): Censo Demográfico 2000, SLU 2003

No primeiro componente, as variáveis com maior peso positivo são relativas à idade média

da população, domicílios chefiados por indivíduos de 60 anos e mais, renda domiciliar e escolaridade, especialmente os quartis superiores. Com peso pouco menor figuram,

também, o percentual de domicílios unipessoais e o volume per capita de resíduo gerado. No pólo oposto do mesmo componente estão os quartis inferiores de renda domiciliar e escolaridade e domicílios com três filhos e mais. Vale destacar que as variáveis população residente, número de domicílios e densidade têm pequeno peso neste componente. Entre as variáveis referentes à composição residencial ou não residencial, esta última dimensão figura positivamente, mas não entre as mais destacadas. Em suma, o primeiro componente é um índice que distingue regiões de alta renda e escolaridade, onde prevalecem uma

população de alta idade média e domicílios pequenos, especialmente casais sem filho e domicílios unipessoais).

O segundo componente tem como variáveis de maior peso positivo o percentual de

domicílios chefiados por adultos e o percentual de população do grupo etário 30 a 59 anos.

Figuram aí, também, as variáveis taxa de crescimento 1991-2000, percentual de casais com

até dois filhos e percentual de imóveis residenciais. As variáveis de peso negativo são o desvio padrão do tamanho do domicílio, população de 60 anos e mais e o percentual de domicílios unipessoais. As variáveis socioeconômicas (escolaridade e renda), a presença de

grupos etários jovens, o alto número de filhos e especialmente a variável de geração per capita de resíduos, não são importantes na composição do índice.

10

QUADRO 1: Autovetores associados aos três primeiros componentes principais, segundo grupos de variáveis empregadas no Método ACP

Grupo Comp1 Comp2 Comp3

1 rspc02 Resíduo per capita 0,198 -0,015 0,259

2 pop Pop. Residente -0,025 -0,132 -0,271

3 ndomic Num de domicílios 0,029 -0,144 -0,248

4 denspop Densidade populacional 0,006 -0,158 -0,066

5 txcres Taxa crescimento (1991-2000) -0,053 0,325 0,345

6 chjovem Chefes menos 30 anos (%) -0,212 -0,032 0,216

7 chadulto Chefes 30-59 anos (%) -0,101 0,399 -0,030

8 chidoso Chefes maiores 60 anos (%) 0,203 -0,240 -0,119

9 unipes Domicílio unipessoal 0,215 -0,159 0,215

10 sfilho Domicílios casais sem filhos 0,229 -0,106 0,182

11 umfilho Domicílios casal 1 filho 0,125 0,222 -0,016

12 dfilhos Domicílios casais 2 filhos 0,079 0,322 -0,280

13 tfilhos Domicílios casais 3 filhos -0,182 0,010 -0,211

14 qfilemais Domicílios casais 4 filhos e mais -0,240 -0,128 0,049

15 desvtd Desvio padrão do tamanho do domicílio -0,180 -0,206 0,008

16 idmedar Média de idade da área 0,253 -0,085 -0,054

17 pop0-14 População 0 a 14 -0,256 0,020 0,056

18 pop15-59 População 15 a 59 0,195 0,246 -0,075

19 pop60m População 60 e mais 0,231 -0,195 -0,028

20 rdpc Média de renda domiciliar per capita 0,222 0,072 0,091

21 q1rdpc População (%) no 1 quartil RDPC -0,243 -0,110 0,083

22 q4rdpc População (%) no 4 quartil RDPC 0,239 0,076 0,071

23 anest Média de anos de estudo 0,252 0,069 0,022

24 q1anest População (%) no 1 quartil - anos de estudo -0,251 -0,052 0,074

25 q4anest População (%) no 4 quartil - anos de estudo 0,234 0,068 0,091

26 resid Imóveis residenciais (%) 0,030 0,239 -0,385

27 nresid Imóveis não-residenciais (%) 0,153 -0,242 0,214

28 territ Imóveis sem ocupacao atual (%) -0,151 -0,050 0,219

Estrutura etária Renda e escolaridade Composição residencial-comercial Idade do chefe Tipo de arranjo domiciliar (%) Tamanho e taxa de crescimento Variável

Fonte (dados brutos): Censo Demográfico 2000; SLU 2003; SMF-PBH 2007

Este componente distingue regiões residenciais, onde prevalecem domicílios chefiados por

adultos e domicílios pequenos. Algumas áreas associadas a este perfil no município –

especialmente Estoril/Buritis – são de ocupação relativamente recente, daí a força da variável taxa de crescimento, em função da rápida ocupação na década de 1990.

Por oposição, o componente distingue estas áreas daquelas onde o tamanho médio dos domicílios varia mais fortemente, e onde é maior o percentual de população acima de 59 anos e os domicílios unipessoais. Essa associação pôde se dar em função de não havermos feito corte de idade para os domicílios unipessoais. Neste grupo pode haver, portanto, pessoas no grupo “60 e mais” residindo sós, o que não é incomum considerando aspectos de ciclo de vida do domicílio. Finalmente, notamos que no segundo componente a variável de geração per capita de resíduos não apresenta peso relevante, indicando descolamento entre as características do grupo de áreas que o componente distingue e uma intensa geração per capita de resíduos.

A representação gráfica (component plot) dos indivíduos de análise e das variáveis como pontos num espaço geométrico formado por eixos dos dois primeiros componentes, fornece uma forma de interpretação amigável dos resultados do método (ILUSTRAÇÃO 1). Os indivíduos, AP’s no caso, se distribuem conforme sua associação com cada componente, afastando-se do ponto [0,0] e ocupando os quadrantes do gráfico. Como cada ponto interage com ambos os eixos, logo a distribuição se dá como se houvesse uma interação gravitacional entre eixos e pontos: todos estes se afastam do ponto origem em direção aos extremos de cada eixo, como função do valor especifico por variável para cada caso/ponto/indivíduo. Desta forma, acima e abaixo do eixo horizontal do component plot se localizam os pontos que se relacionam de forma positiva e negativa respectivamente com o primeiro componente, o mesmo valendo para o segundo, desta vez à direita e a esquerda.

11 Vemos que o vetor associado à variável à geração per capita de resíduos se comporta de forma muito similar ao grupo das variáveis socioeconômicas e ao grupo domicílios

unipessoais, domicílios sem filho e domicílios chefiados por idoso, e idade média da área.

Por oposição, a geração per capita é pouco relacionada às áreas com domicílios extensos (acima de três filhos) e áreas de baixa renda.

Vale a pena destacar que as variáveis população residente, número de domicílios e taxa de

crescimento não apresentam correlação mais estreita com nossa variável de interesse.

O método ACP permitiu identificar quais interações acontecem entre os indivíduos e as variáveis. Desejamos, porém conhecer quais grupos de áreas se formam; que características os aproximam internamente e distinguem dos demais grupos e, sobretudo,

como se diferencia sua geração de resíduos sólidos domiciliar. Esta avaliação adicional é

permitida pelos métodos aglomerativos, ou de clusters, os quais nos ajudam a aprofundar os resultados até aqui obtidos. Os resultados desta técnica são apresentamos a seguir.

ILUSTRAÇÃO 1: Representação gráfica dos Componentes 1 e 2 e comportamento dos indivíduos de analises (AP's), e variáveis de análise.

Fonte (dados brutos): Censo Demográfico, SLU 2003; Elaboração própria a partir do pacote estatístico SAS-System.

12 II. Clusters

A técnica de clusters identifica agrupamentos de indivíduos através do cálculo das distâncias entre os pontos que cada um representa num espaço geométrico formado pelas variáveis selecionadas. A escolha das variáveis determina a composição dos agrupamentos. A própria técnica dos componentes principais é uma forma possível de seleção de variáveis se o conjunto inicial parecer extenso ou redundante. Desde que o método ACP indicou as maiores diferenças entre áreas nos quesitos de renda e educação, por um lado, e as posições extremas da distribuição etária e arranjo domiciliar, por outro, focaremos a análise de agrupamentos neste conjunto de variáveis:

 Renda domiciliar per capita média (rdpc); e percentual de população no 1°e 4° quartis de RDPC (q1rdpc, q4rdpc);

 Média de anos de estudo (anest) e população (%) no 1°e 4° quartis de escolaridade (q1anest, q4anest);

 Chefes abaixo de 30 (chjovem) e acima de 60 anos (chidoso);

 Domicílios unipessoais (unipes), casais com 4 filhos e mais (qfilemais) e desvio padrão do tamanho médio do domicílio (desvtd);

 Idade média da população (idmedar) e percentual de população abaixo de 15 (pop0_14) e acima de 59 anos (pop60m).

Finalmente, definimos os conglomerados sem a inclusão da variável de geração per capita. Delineados os clusters, os grupos de áreas similares serviram de base para a avaliação da geração de resíduos per capita. O procedimento faz sentido desde que não consideramos razoável que a geração de resíduos seja determinante das características de cada área. Inversamente, se tais características não determinam o padrão de geração dos resíduos, vimos que há associação deste com o perfil socioeconômico e demográfico da área, o que de resto é o pano de fundo último deste trabalho. O QUADRO 2 traz a distribuição das áreas de ponderação segundo os clusters definidos pela aplicação do método hierárquico6. Identificamos sete grupamentos, aos quais conferimos rótulos de Clusters 1 a Cluster 7.

QUADRO 2: Belo Horizonte: Distribuição das Áreas de Ponderação segundo clusters de características socioeconômicas e demográficas

Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5 Cluster 6 Cluster 7

1 Baleia Belmonte Abilio Machado Camargos Caicara Barro Preto Anchieta/Sion 2 Cafezal Cabana Antonio Carlos Concordia Castelo Barroca Prudente de Morais 3 Capitao Eduardo Ceu Azul Barreiro de Baixo Jardim America Cristiano Machado Estoril/Buritis Santo Antonio 4 Isidoro Norte Jaqueline Betania Planalto Floresta/Santa Tereza Pampulha Savassi 5 Jatoba Jardim Europa Boa Vista Pompeia Instituto Agronomico Sao Bento/Sta. Lucia Serra 6 Jardim Montanhes Cachoeirinha Santa Efigenia Jaragua

7 Lindeia Cardoso Padre Eustaquio

8 Mantiqueira/Sesc Copacabana PUC

9 Morro das Pedras Gloria Santa Amelia

10 Olhos Dagua Sao Bernardo

11 Piratininga Sarandi

12 Primeiro de Maio Venda Nova 13 Ribeiro de Abreu

14 Sao Paulo/Goiania

15 Serra Verde

16 Tupi/Floramar

Fonte: Elaboração própria (via software Stata) a partir dos dados brutos do Censo Demográfico 2000

A distribuição espacial dos conglomerados indica a prevalência dos grupos de alta renda nas regiões centrais ou próximas ao centro, com exceção da Pampulha. O Cluster 1 está

13 nas periferias mais externas ou áreas subnormais. Grupos intermediários ocupam os eixos de expansão da capital de Centro-Sul para Norte (FIGURA 2). A distribuição dos indivíduos em conglomerados é melhor se estes são homogêneos internamente. Testando essa adequação, analisamos médias e desvios padrão internos a cada cluster.

O Cluster 1 é o de RDPC e escolaridade mais baixas entre todos, incluindo os aglomerados (Cafezal e Baleia) e “periferias recentes”. Apenas 1,8% da população estavam no quartil mais alto de renda. Mais da metade da população estava no quartil mais baixo de anos de estudo, com uma média de anos de estudo de 1,3 anos. O Cluster 2 é o mais extenso, com 16 áreas, a maioria de renda e escolaridade baixas. Mais de um terço de sua população estava no 1º quartil de renda e somente 3% no quartil mais alto de escolaridade. O Cluster 3 completa o grupo de RDPC e escolaridade abaixo da média municipal. Este cluster reúne áreas que chamaríamos, periferias consolidadas. Regiões não próximas ao centro, algumas até bastante distantes, economicamente densas, centralidades secundárias na cidade, como Venda Nova e Barreiro de Baixo. De ocupação antiga, sua situação de infra-estrutura urbana e condições domiciliares são boas no quadro de referência da cidade e da RMBH.

FIGURA 2: Belo Horizonte, 2000: Distribuição das segundo áreas de ponderação do Censo Demográfico 2000-

Fonte (dados brutos): Censo Demográfico 2000; SLU 2003

Estes três primeiros clusters têm desvios padrão baixos – comparado ao município, demais clusters – de renda e escolaridade. O quarto e quinto conglomerados formam um grupo intermediário entre os três primeiros, baixa renda e escolaridade, e o grupo oposto nos quais ambas as médias são elevadas. No quarto cluster, áreas do extrato inferior de uma classe

média, puxam as médias para baixo, enquanto no quinto predominam regiões de classe

média alta da capital, Floresta/ S. Tereza, PUC, Cristiano Machado.

Os dois últimos clusters reúnem as AP's de renda média mais alta da cidade, em geral com áreas integrantes ou contíguas à R. Centro-Sul, além da Pampulha. A diferenciação deste grupo de “áreas ricas”, em dois grupos, se deve a mais de um fator, nem todos claramente

14 identificáveis. Por um lado, há áreas com médias discrepantes em função de sua diversificação interna. Além disso, o último cluster é formado apenas por áreas integrantes

ou contíguas à R. Centro-Sul. Não há, portanto, áreas de ocupação recente como nos casos

de Estoril/Buritis e partes da Pampulha. Ao contrário, todas as AP's deste grupo são áreas consolidadas e de alta renda, reforçado tendência de ocupação por domicílios de renda

elevada, com exceção das áreas de aglomerados que caem em outros clusters. Este fator sócio-espacial repercute nas características demográficas locais, reforçando a aderência

dos parâmetros demográficos ao esquema traçado na análise de componentes principais: o aumento da renda e escolaridade coincide com áreas de população em idade média mais elevada e menor participação de menores de 15 anos, grupo que decresce cedendo espaço tanto à PIA quanto à população de 60 anos mais Erro! Fonte de referência não encontrada.. O desvio padrão do tamanho do domicílio, tem pequena variação, mas também decresce com o aumento da renda. Há alto percentual de domicílios unipessoais e casais sem filhos nos dois clusters mais ricos e escolarizados, o que contrasta com os domicílios mais extensos que convivem em áreas pobres7.

TABELA 3: Belo Horizonte, 2002 – Geração per capita relativa de resíduos segundo clusters sócio-demográficos

Média D. Padrão

Produção relativa entre Clusters (Cluster 1 = 100) Cluter 1 0,156 0,081 100,000 Cluter 2 0,144 0,037 92,308 Cluter 3 0,200 0,042 128,205 Cluter 4 0,223 0,039 142,949 Cluter 5 0,253 0,018 162,179 Cluter 6 0,484 0,192 310,256 Cluter 7 0,361 0,134 231,410 B. Horizonte 0,230 0,123 147,230

Geração per capita de resíduos

Fonte (dados brutos): Censo Demográfico 2000, SLU 2003

A idade do chefe do domicílio, um marcador do ciclo de vida do domicílio também se ajusta à tendência: grupos de áreas onde predominam chefes jovens são os de menor renda e escolaridade. A variável que mede o percentual de chefes do grupo intermediário (15 a 59 anos) é a que menos varia entre os conglomerados, embora varie positivamente com o aumento da renda e escolaridade. Repete-se o padrão de áreas centrais relativamente ricas em oposição às periferias jovens e pobres. A representação gráfica da composição dos Clusters, através do dendograma, ajuda a perceber o nível de dispersão interna entre os grupamentos e o grau em cada grupo de áreas se associa aos demais. (ILUSTRAÇÃO 2). Uma observação importante é da produção relativa de resíduos entre os clusters. Tomando o Cluster 1, o mais jovem e renda mais baixa, como parâmetro, notamos que a produção dos Clusters 6 e 7 representam um nível de geração muito superior, 210% e 130% superiores, respectivamente. Este não é um resultado trivial tendo em conta a participação de toda a cidade no ônus pelo financiamento do sistema de gestão dos resíduos e nem mesmo a aplicação de um modelo de gestão único para a cidade.

15

Gráfico 1: Belo Horizonte: RDPC (2000), população (%) no 4° quartil de RDPC, escolaridade (2000) e geração per capita de resíduos (2002) segundo clusters sócio-demográficos

Fonte (dados brutos): Censo Demográfico 2000; SLU 2003

Gráfico 2: Belo Horizonte: Idade média da população; percentuais de população e chefes de domicílios de 60 e mais; domicílios unipessoais (2000) e geração per capita de resíduos (2002 )

segundo clusters sócio-demográficos

Fonte (dados brutos): Censo Demográfico 2000; SLU 2003

Resta avaliar a associação entre os clusters encontrados e a geração per capita de resíduos. A geração per capita cresce, ainda que não de forma exatamente linear, com o número de ordem dos Clusters. Regiões mais ricas, com famílias menores e população menos jovem, geram mais resíduo por indivíduo. As curvas dos perfis demográficos mostram comportamento aderente à geração per capita de resíduos, assim também nas curvas de renda e escolaridade, inclusive nos quartis mais altos (Gráficos 1 e 2).

16

ILUSTRAÇÃO 2: Belo Horizonte – Áreas de Ponderação: Dendograma – representação gráfica do método de clusters hierárquico. Fonte: Elaboração própria (via software Stata) a partir de dados brutos do Censo Demográfico 2000

17 Notamos que, para o último cluster, há um descolamento entre as curvas, cuja explicação pode passar por fatores não incluídos na análise, como a composição comercial – residencial do conjunto dos imóveis. Outra possível explicação poderia ser encontrada no perfil de consumo das áreas do Cluster 7, vis a vis ao sexto conglomerado. As áreas do Cluster 7 são as de renda mais alta e que mais se aproximam de um perfil demográfico

urbano contemporâneo: população na qual é marcante a presença de domicílios

unipessoais, casais com menos de dois ou sem filhos, idade média elevada, e chefes de domicílios com 60 anos e mais, em resumo uma população urbana em avançado processo de envelhecimento, entrando pela segunda transição demográfica (Lesthaeghe 1995). Embasar este argumento em dados e discuti-lo mais amplamente escapa ao nosso escopo e as possibilidades dos dados que temos, mas trabalhos defendem que em um estágio avançado deste processo, a tendência de relação positiva entre intensificação relativa do consumo e aumento da renda começaria a se estabilizar e/ou reverter, devido a um novo conjunto de preferências e estilos de vida, especialmente de bens não duráveis no padrão que aqui nos interessa como geradores de resíduos sólidos domiciliaresviii.

A aplicabilidade deste argumento ao caso brasileiro e do município de Belo Horizonte em particular significa em parte rediscutir o argumento central deste trabalho – isso é que há uma cadeia de auto-reforço entre renda, consumo e geração de resíduos. No entanto, como em outros processos sociais, não se trata de um cenário de alternativas excludentes, ou esta ou aquela. Os fenômenos sociais são mediatos e processuais, isso é, admitem estágios e fases que se superpõem no tempo e no espaço.

6. Considerações finais

A busca de novas fontes de dados para a pesquisa em população e meio-ambiente tem valor intrínseco. A área é uma das que mais se ressente de informações confiáveis e passiveis de uso em conjunção com dados censitários. Iniciativas de investigação em bancos providos por instituições públicas servem de incentivo a sua adaptação consistente aos fins de pesquisa, o que no final do processo reverte-se em insumo a própria ação do agente público.

Os deste trabalho confirmaram a hipótese inicial. No município de Belo Horizonte, diferenciais demográficos em termos de estrutura etária e domiciliar, assim como renda e escolaridade, são fatores co-determinantes da quantidade e composição dos resíduos sólidos domiciliares.

Nossa análise mostrou que a concentração de domicílios unipessoais, de população e chefes com 60 anos e mais, e idade média elevada, algo que poderíamos rotular de “perfil demográfico urbano-contemporâneo”, surge recorrentemente como fator demográfico central na diferenciação de áreas de maior geração per capita. Estes fatores vêm associados constantemente à renda e escolaridade elevadas. À medida que este perfil

urbano-contemporâneo de população se difunde e ao mesmo tempo se concentra em áreas

especificas das cidades, seu consumo altamente orientado para o mercado, inclusive de alimentação industrializada, pode implicar aumento relativo de resíduos recicláveis.

Um aspecto notável é que o tamanho da população residente por área não surgiu como fator determinante em nenhuma etapa da análise. A taxa de crescimento da população segundo área surge como aspecto importante, mas distintivo de áreas em expansão recente, quase sempre periferias com população de baixa renda, logo regiões onde a geração per capita é menor. Essa associação não tem, portanto o sentido límpido que parece ter quando se diz, “cresce a população, crescem os resíduos”. Isso depende de forma importante de como os fatores sócio-econômicos, espaciais e demográficos se relacionam ao padrão de consumo praticado na sociedade. Ainda que se trate de uma primeira abordagem, que como tal se ressente de mais informações e novos estudos, vimos

18 que existem áreas cuja geração per capita de resíduo chega a representar mais que o dobro das áreas periféricas mais pobres.

Referências bibliográficas

BARROS, R. P, et alli. Acesso ao trabalho e produtividade no Brasil: implicações para crescimento, pobreza e desigualdade. R. Janeiro: IPEA, 2004.

BELO HORIZONTE. Sec. M.de Finanças (SMF). Distribuição de imóveis segundo situcao comercial comercial e residencial. Informação interna. Belo Horizonte: PBH/SMF, 2007. BELO HORIZONTE. Sec. M. Limpeza Urbana (SMLU). Relatório geração anual de resíduos 2002. Belo Horizonte: PBH/SMLU, 2003.

CALDERONI, S. Os bilhões perdidos no lixo. S Paulo, Humanitas Editora, 2003.

CATAPRETA, C., HELLER, L. Associação entre coleta de resíduos sólidos domiciliares e saúde, Belo Horizonte. Revista Pan-americana de Saúde Pública, 5(2), 1999.

CHAUÍ, M. Convite à Filosofia. Editora Ática. São Paulo, 2000.

FERNÁNDEZ-VILLAVERDE, J., KRUEGER, D. Consumption and Saving over the Life Cycle: How Important are Consumer Durables? Working Papers Penn Institute; 2001.

HAKKERT, R. Fontes de dados demográficos, Belo Horizonte, ABEP, 1996.

IBAM Manual de Gerenciamento Integrado de resíduos sólidos. Rio de Janeiro, IBAM, 2001. IBGE - Instituto Brasileiro De Geografia e Estatística. Censo Demográfico 2000.

LESTHAGHE, R. Second demographic transition in Western countries. An interpretation. In: K. O. Mason e An-Magritt JENSEN. Clarendon Press: Oxford, England. 1995

MARTINE G. O lugar do espaço na equação população/meio ambiente. Rebep, 24(2), 2007. MINGOTI, S.. Análise de Dados Através de Métodos de Estatística Multivariada: uma abordagem aplicada. Belo Horizonte: Editora UFMG, 2005.

NOTESTEIN, F. Population: the long view. In: Schultz, T.W. Chicago, 1953.

PEBLEY, A. R. Demography and the Environment. Demography, v. 35, no. 4, Nov. 1998. PRESTON, S. H. Relations between Individual Life Cycles and Population Characteristics. American Sociological Review, Vol. 47, No. 2, 1982.

QUEIROZ, E. Pluriatividade e inserção das famílias rurais no processo de urbanização do rural em Minas Gerais. Dissertação, CEDEPLAR-UFMG, 2003

ROSE, D. VILLENEUVE, P. Life stages, living arrangements and lifestyles: a century of change. Annual Meeting of the Canadian Association of Geographers, 2005.

SAWYER, D. Population and Sustainable Consumption in Brazil. In: HOGAN, D. J.BERQUÓ, E.; COSTA H. S. M. Campinas: CNPD, ABEP, NEPO, 2002.

SURKYN, J., LESTHAEGHE, R. Value Orientations and the Second Demographic Transition in Northern, Western and Southern Europe. Demographic Research; 2004.

TORRES, H.G. SIG e Análise sociodemográfica. In: MARQUES, E. e TORRES, H., (orgs). São Paulo: segregação, pobreza e desigualdade sociais. São Paulo, Editora Senac. 2005.

19

1

A definição do que seja de fato lixo domiciliar constitui na legislação urbana brasileira uma zona cinzenta. A legislação de Belo Horizonte que reza sobre o assunto diz “considera-se lixo domiciliar para fins de coleta regular, os produzidos pela ocupação de imóveis públicos ou particulares, residenciais ou não, acondicionáveis na forma estabelecida por esta Lei”. A mesma lei define “por acondicionamento, o ato de embalar em sacos plásticos ou em outras embalagens descartáveis permitidas, de acomodar em recipientes ou em recipientes padronizados, os resíduos sólidos para fins de coleta e transporte”. Em verdade, a indefinição torna flexível a gestão do problema, que seria bastante incomodo em caso de diferenciação estrita dos geradores segundo classes bem definidas. A norma em questão é a Lei Nº 2.968, de 3 de Agosto DE 1978. Constam varias alterações posteriores desta lei, mas nenhuma que definisse mais claramente a matéria..

2

O ideal em termos de enfoque cronológico seria usarmos pelo menos dois pontos no tempo, mas isso não se faz possível devido à disponibilidade de dados da população apenas do Censo 2000.

3

Embora haja dados disponíveis da SLU para 2000, sua compatibilização com dados do Censo 2000 foi considerada problemática em função da ambigüidade dos dados em relação a diversos distritos de coleta.

4

A alternativa de usar uma técnica de regressão seria, inclusive, praticamente inviável em função do pequeno número de observações (58 AP’s), o que implicaria violação de hipóteses destes métodos estatísticos.

5

Para detalhes técnicos e metodológicos da técnica consulte Mingoti (2005).

6

A definição do número final de partições nesta técnica estatística é orientada menos por um critério exato do que pelo conhecimento da base de dados e indivíduos de análise.

7

Nada nos autoriza aqui a ver uma relação direta de causa efeito entre estes aspectos. Esta distribuição tem explicações sócio-espaciais mais complexas, algumas delas sugeridas acima no trabalho.

viii

O argumento é abordado direta ou indiretamente em Fernández-Villaverde e Krueger (2001); Surkiyn e Lesthaeghe (2004); Rose e Villeneuve (2005), entre outros.